Microsoft AI: MAI-Transcribe 1.5

Microsoft AI MAI-Transcribe 1.5 es un modelo de voz a texto para convertir audio grabado en contenido escrito. Su ficha exacta describe reconocimiento en 43 idiomas, identificación automática del idioma y robustez ante acentos, dialectos, estilos de habla y condiciones ruidosas. La edición amplía en dieciocho idiomas el conjunto de 25 idiomas de MAI-Transcribe 1. Un resultado útil es el habla escrita de una clase, una entrevista, una llamada o una nota de voz, lista para contrastarla con la grabación antes de un paso posterior de edición o análisis.

Prepara una grabación completa e inteligible en uno de los formatos enumerados por el fabricante: WAV, MP3 o FLAC. Conserva el archivo original y cualquier división en secciones para poder comparar la transcripción con el audio. Para una clase, mantén las frases que rodean un término técnico en lugar de extraer únicamente la palabra difícil. Para una nota de voz, conserva una corrección que cambie un nombre, una hora o un número. El habla circundante proporciona contexto para reconocer lo dicho, y la revisión mediante escucha puede identificar dónde necesita correcciones la salida.

La identificación automática del idioma permite procesar una grabación sin exigir una elección previa de idioma. El conjunto de 43 idiomas incluye inglés, francés, alemán, italiano, español, hindi, chino, japonés, coreano, árabe, indonesio, ruso, tailandés y vietnamita. Los idiomas añadidos incluyen búlgaro, catalán, griego, ucraniano y varias lenguas del sur de Asia. Comprueba que el idioma previsto pertenezca al conjunto de esta edición en lugar de tomar prestada la cobertura más amplia de MAI-Transcribe 2. Para colecciones multilingües, conserva el idioma de la grabación junto al texto revisado para que la edición posterior siga el contenido realmente hablado.

La ficha del modelo 1.5 describe orientación por palabras clave o entidades con hasta 200 términos, y su publicación explica el objetivo: disponer como contexto de nombres, siglas y palabras especializadas probables. El fabricante describe indicaciones contextuales, no la imposición ciega de las palabras suministradas en el resultado. Prepara un vocabulario pertinente, como el nombre del proyecto, un instrumento técnico o la grafía correcta de una persona mencionada en la grabación. Utiliza esa terminología como contexto para la grabación real y contrasta los términos reconocidos con el habla.

Para una lección grabada de ingeniería, prepara los nombres de los instrumentos comentados y la grafía exacta de cualquier sigla de proyecto. Escribe sus grafías exactas en una lista terminológica acotada y conserva la lista junto al audio y la transcripción. Contrasta esas apariciones con los pasajes hablados, en lugar de tratar una entrada de vocabulario como prueba de coincidencia. Los nombres que suenan parecido pueden seguir necesitando comprobación. El resultado debe preservar las palabras realmente pronunciadas, incluida una corrección o matización que cambie su significado.

El fabricante destaca el rendimiento con audio real, incluido ruido de fondo y distintas condiciones de micrófono. La revisión práctica puede centrarse en pasajes con habla simultánea, voces débiles o palabras parcialmente cubiertas por otro sonido. Mantén las dudas vinculadas al pasaje de audio correspondiente en lugar de rellenarlas con supuestos sobre el tema. Una frase plausible puede seguir conteniendo un nombre propio o un número equivocado. Para la transcripción de una llamada, el resultado útil es un registro revisado del contenido hablado que pueda utilizar un análisis posterior, no un relato supuesto de la intención de quien llama.

La ficha exacta del modelo 1.5 indica un tamaño máximo de archivo de 300 MB y dos horas. Su referencia REST de transcripción síncrona enlazada describe una entrada de servicio más estricta: menos de 250 MB y duración inferior a dos horas. Son límites de la ficha y de la interfaz indicados por separado. Prepara archivos dentro del límite de la interfaz prevista y organiza el material más largo en divisiones significativas de la grabación. Un límite de tamaño de archivo afecta al audio codificado, mientras que el límite de duración afecta a la longitud de la grabación de voz; ninguno define una ventana de contexto de un modelo de texto.

La salida de ejemplo de la ficha es JSON que contiene la duración de la grabación y el texto reconocido combinado. El texto puede convertirse en una transcripción accesible, un guion para subtítulos o una entrada para resumen y búsqueda posteriores. La agrupación de entradas de subtítulos y la alineación con la grabación son preparaciones independientes cuando el resultado no incluye los datos temporales necesarios. Para registros de entrevistas, atribuir una línea a un participante concreto necesita un registro comprobado e independiente de quién habló. Conserva la redacción reconocida y el audio como base de esos resultados posteriores.

Los límites de la edición importan al planificar la salida. La ficha 1.5 excluye explícitamente la diarización de hablantes de sus capacidades compatibles, y la comparación de versiones del fabricante atribuye las marcas de tiempo por palabra y los controles de estilo clean/verbatim a MAI-Transcribe 2. Un modelo nativo de streaming también es una edición separada. Por tanto, este perfil 1.5 se centra en el texto reconocido de grabaciones y su contexto de dominio documentado, sin convertir las funciones de hablante, temporización o entrada en directo de otra edición en parte del resultado. Revisa nombres, números, términos técnicos y habla poco clara antes de preparar un pasaje citado, una pista de subtítulos o un documento derivado.